ตัวเลือกสถาปัตยกรรมสำหรับการปรับใช้ OCR ใบตอบรับ: วิวัฒนาการสามรุ่นและหลักการแยกส่วนมนุษย์-เครื่องจักร

กระบวนการผลิตของอุตสาหกรรมพิมพ์ขึ้นอยู่อย่างมากกับการไหลเวียนของเอกสารเอกสาร ตั้งแต่ใบสั่งงานที่จัดทำโดยแผนกขาย ใบตอบรับของโรงงาน (ใบลงทะเบียนการรับ ใบส่งมอบ หรือใบยืนยันกระบวนการที่ส่งคืนจากสถานที่) ไปจนถึงใบรับรองจากจัดส่งสินค้า เอกสารเหล่านี้มีข้อมูลสำคัญเช่น คำอธิบายลักษณะ ปริมาณ วันครบกำหนด และการแบ่งความรับผิดชอบ เมื่อโรงงานพิมพ์พยายามสร้างดิจิทัล กำหนดการ ความสามารถ และการบัญชี การจดจำใบตอบรับมักเป็นอุปสรรคแรก และยังเป็นสิ่งที่ล้มเหลวได้ง่ายที่สุด ความยากลำบากไม่ได้อยู่ที่ "การอ่านตัวอักษรออก" แต่เนื่องจากเอกสารประเภทนี้มีตำแหน่งเค้าโครงที่ไม่คงที่ รูปแบบต่างกันไปสำหรับแต่ละผู้จัดจำหน่าย บันทึกย่อเขียนด้วยมือและการแก้ไขจึงเกิดขึ้นบ่อยครั้ง และคุณภาพการสแกนจากการถ่ายรูปในสถานที่นั้นแตกต่างกันไป [1]

ในช่วงไม่กี่ปีที่ผ่านมา ความครบถ้วนของ AI สร้างสรรค์และแบบจำลองมัลติโมดัลทำให้ "ปัญหา OCR ได้รับการแก้ไขแล้ว" กลายเป็นมุมมองที่แพร่หลาย อย่างไรก็ตาม การนำ Vision Language Model (VLM) ไปใช้โดยตรงในสภาพแวดล้อมการผลิตจริง และการทำคะแนนสูงในชุดข้อมูลที่สะอาด นั้นเป็นข้อเสนอที่ต่างกันโดยสิ้นเชิง การศึกษาเกี่ยวกับชุดข้อมูลที่สร้างขึ้นมาจากการถ่ายรูปใบเสร็จรับรองบนอุปกรณ์เคลื่อนที่ของญี่ปุ่นชี้ให้เห็นว่า แม้ว่าได้ทำการปรับแต่งเฉพาะสำหรับการสกัดข้อมูลเอกสารการชำระเงินที่มีโครงสร้าง แต่คุณสมบัติของแบบจำลองยังคงพึ่งพาความเป็นตัวแทนของชุดข้อมูลและความหลากหลายของเค้าโครงอย่างมาก [2] กล่าวอีกนัยหนึ่ง ตัวเลขใน benchmark นั้นไม่สามารถขยายไปสู่รูปแบบเอกสารของโรงงานโดยพลการได้

คำถามวิจัยของบทความนี้มีดังนี้:

・สาม:

・ข้อแรก เทคโนโลยีการจดจำใบตอบรับได้ผ่านวิวัฒนาการกี่รุ่น และขอบเขตการใช้งานของแต่ละรุ่นคืออะไร

・ข้อที่สอง เหตุใด "แบบจำลองล่าสุด" จึงไม่ใช่ "แผนที่ควรนำมาใช้" และปัจจัยการตัดสินใจเบื้องหลังการเลือกเทคโนโลยีคืออะไร

・ข้อที่สาม สำหรับโรงงานพิมพ์ขนาดเล็กและกลางในไทยที่มีทรัพยากรจำกัด การปรับใช้ระบบการจดจำใบตอบรับที่ใช้งานได้จริงควรเป็นไปตามหลักการและตรรกะการแยกส่วนใด บทความนี้ใช้บันทึก OCR ใบตอบรับระดับแรกของวิศวกรไทยเป็นศูนย์กลาง [1] โดยผสมผสานกับวรรณกรรมเกี่ยวกับ OCR เอกสารการชำระเงินและการปกครองการแนะนำ AI เพื่อทำการสังเคราะห์วิจารณ์

การมีส่วนร่วมของบทความนี้คือ: ไม่ได้มองการจดจำใบตอบรับเป็นปัญหาการเลือกแบบจำลองง่ายๆ แต่สร้างมันใหม่เป็นปัญหาวิศวกรรมระบบที่ "ชั้นการจดจำ ชั้นการจัดโครงสร้าง ชั้นการตรวจสอบ" ทั้งสามชั้นทำงานร่วมกัน และเสนอหลักการแยกส่วนที่สามารถใช้งานได้ สำหรับโรงงานพิมพ์ที่กำลังประเมินกระบวนการสั่งซื้อแบบดิจิทัล บทความนี้สนับสนุนมุมมองการปรับใช้งานจำหน่ายในประเทศที่หายาก

การสนทนาที่มีอยู่เกี่ยวกับการจดจำเอกสารสามารถแบ่งออกเป็นสามกลุ่มตามความเป็นห่วงหลักของพวกมัน และมีความตึงเครียดที่ชัดเจนระหว่างกัน

กลุ่มแรกคือทฤษฎีศูนย์กลางความสามารถของแบบจำลอง เส้นทางนี้มุ่งเน้นไปที่วิธีการให้แบบจำลองเดียวได้คะแนนที่สูงขึ้นในงานการสกัดเอกสารการชำระเงิน การศึกษาการรับใบเสร็จรับรองบนอุปกรณ์เคลื่อนที่ของญี่ปุ่นที่กล่าวถึงข้างต้นจัดอยู่ในประเภทนี้ โดยสร้างชุดข้อมูลที่มีป้ายกำกับขนาดประมาณ 1.3K และปรับแต่ง VLM เพื่อแสดงผลข้อมูลเอกสารการชำระเงินที่มีโครงสร้าง โดยอ้างว่า "คุณภาพชุดข้อมูลบวกกับการปรับแต่งมีจุดประสงค์" สามารถปรับปรุงความถูกต้องของการสกัดข้อมูลที่มีโครงสร้างได้อย่างมีนัยสำคัญ [2][4] ค่านิยมของการวิจัยประเภทนี้อยู่ที่การให้ระเบียบวิธีและมาตรฐานปริมาณที่สามารถทำซ้ำได้ แต่สมมติฐานที่ซ่อนอยู่คือ "การกระจายข้อมูลค่อนข้างสม่ำเสมอ" เมื่อต้องเผชิญกับการกระจายส่วนท้ายยาวของโรงงานพิมพ์ โดยรูปแบบหนึ่งต่อผู้จัดจำหน่ายและเพิ่มรูปแบบใหม่ได้อย่างต่อเนื่อง ทั้งต้นทุนการดูแลรักษาและความสามารถในการสรุปของแบบจำลองที่ปรับแต่งเดียวก็จะประสบปัญหา

กลุ่มที่สองคือทฤษฎีการปฏิบัติด้านเครื่องมือและวิศวกรรม เมื่อ AI coding agent มีความแพร่หลาย นักพัฒนาได้รับความสามารถในการเชื่อมต่อ OCR LLM และตรรกะแบ็กเอนด์ด้วยต้นทุนที่ต่ำกว่า วรรณกรรมการปฏิบัติที่เกี่ยวข้องบันทึกไว้เกี่ยวกับรูปแบบการทำงานร่วมกันและข้อจำกัดของ AI coding agent ในสถานการณ์การพัฒนาจริง โดยชี้ให้เห็นว่ามันสามารถเร่งการสร้างรหัสเทมเพลตและการเชื่อมต่อเครื่องมือ แต่การตัดสินใจที่เกี่ยวข้องกับความรู้ด้านนี้ยังคงต้องการการแทรกแซงของมนุษย์ [5] นอกจากนี้ยังมีการรวม AI coding agent เข้ากับสภาพแวดล้อมการวิเคราะห์ที่เฉพาะเจาะจง (เช่น RStudio) ของแพ็คเกจการนำไปใช้ ซึ่งแสดงให้เห็นว่า "การใช้ agent เพื่อช่วยเหลือไปป์ไลน์การประมวลผลข้อมูล" ได้กลายเป็นรูปแบบวิศวกรรมที่สามารถปรับใช้ได้ [3] กลุ่มนี้เปลี่ยนโฟกัสจาก "แบบจำลองแข็งแรงแค่ไหน" ไปยัง "วิธีการสร้างระบบ" และสร้างความสัมพันธ์ที่เสริมซึ่งกันและกันแม่กลุ่มแรก ไม่ใช่การแทนที่

กลุ่มที่สามคือทฤษฎีการปกครอง AI การกำกับดูแล เส้นทางนี้กระโดดออกจากรายละเอียดทางเทคนิค และสำรวจว่าองค์กรควร "จัดการ AI อย่างชาญฉลาด" อย่างไร การวิจัยที่เกี่ยวข้องเน้นย้ำว่า ความสำเร็จหรือล้มเหลวของระบบ AI ไม่ได้ขึ้นอยู่กับความแม่นยำของอัลกอริทึมเท่านั้น แต่ยังขึ้นอยู่กับการแบ่งการทำงานระหว่างมนุษย์และระบบ และการจัดการสถาบันของความไม่แน่นอน [6] มุมมองนี้มีความสำคัญเป็นพิเศษสำหรับการจดจำใบตอบรับ: เมื่อแบบจำลองไม่สามารถอ่านรูปภาพที่ไม่ดีได้อย่างเชื่อถือได้ ผู้ออกแบบระบบต้องตัดสินใจล่วงหน้า "สถานการณ์นี้ควรมอบให้ใคร และใช้กระบวนการใด" แทนที่จะหวังว่าแบบจำลองจะบรรลุ 100% ความแม่นยำที่เป็นไปไม่ได้

การรวมกลุ่มสามกลุ่มเข้าด้วยกันแสดงให้เห็นแนวโน้มการเปลี่ยนแปลงการสนทนา: การสนทนาตั้งแต่เริ่มต้นมักจะเน้นศูนย์กลางความสามารถของแบบจำลอง โดยสมมติว่าปัญหาจะได้รับการแก้ไขหากแบบจำลองแข็งแรงเพียงพอ ในขณะที่การสนทนาล่าสุดค่อยๆ เลื่อนไปยังศูนย์กลางระบบและการปกครอง ยอมรับว่าแบบจำลองมีข้อจำกัด และสิ่งที่แท้จริงที่ตัดสินความสำเร็จหรือล้มเหลวของการปรับใช้งานคือการออกแบบการประมวลผลล่วงหน้า ความสามารถในการสกัด และการตรวจสอบด้วยมนุษย์ อย่างไรก็ตาม วรรณกรรมที่มีอยู่โดยทั่วไปจะอยู่ภายในกลุ่มของตนเอง: การวิจัยแบบจำลองการสนทนาน้อยเกี่ยวกับส่วนท้ายยาวและเก็บสำรองเพื่อสภาพแวดล้อมการผลิต การปฏิบัติด้านวิศวกรรมการพูดน้อยเกี่ยวกับขอบเขตความแม่นยำเชิงปริมาณ และการวิจัยการปกครองกลับไปแบบนามธรรมและขาดรายละเอียดทางเทคนิคของการปรับใช้งานที่เป็นรูปธรรม บทความนี้คิดว่า การเชื่อมต่อระหว่างสามขั้วเหล่านี้คือจุดที่ขาดหายไปในการสนทนาการปรับใช้ใบตอบรับ และบันทึกการปรับใช้งานจริงของคนไทยที่สมบูรณ์กระบุโดยเฉพาะ สามารถเติมได้พอดี [1]

วิวัฒนาการเทคโนโลยีของการจดจำใบตอบรับสามารถแบ่งออกเป็นสามรุ่น กุญแจสำคัญคือการเข้าใจว่านี่ไม่ใช่เส้นตรง "ใครแทนใคร" แต่เป็นแต่ละรุ่นที่มีชีวิตอยู่แยกกัน ขึ้นอยู่กับฉากและข้อกำหนดด้านความปลอดภัยที่อยู่ร่วมกัน [1]

รุ่นแรกคือ OCR บวก Regex (นิพจน์ปกติ) วิธีการนี้คือการใช้เอนจิน OCR แบบดั้งเดิม (เช่น Tesseract Google Document AI) เพื่อแปลงรูปภาพเป็นข้อความก่อน จากนั้นใช้ Python Regex เพื่อสกัดแต่ละคอลัมน์: หมายเลขบิลอยู่ที่ไหน รูปแบบวันที่คืออะไร ที่อยู่ตรงตามกฎไหน [1] ข้อดีของเส้นทางนี้ชัดเจน: ต้นทุนต่ำ สามารถทำงานแบบออฟไลน์ ความเร็วรวดเร็ว เมื่อรูปแบบคงที่จะมีเสถียรภาพ คาดเดาได้ และง่ายต่อการแก้จุดบกพร่อง ไม่ต้องใช้ LLM เลย ไม่มีต้นทุน token [1] อย่างไรก็ตาม ความไม่มั่นคงนั้นชัดเจนเช่นเดียวกัน: รูปแบบเปลี่ยนแปลงและก็พังทลาย ใบสั่งซื้อใหม่ต้องเขียน regex ใหม่; OCR ต่อให้ยอมรับหรือพลาดแค่หนึ่งตัวอักษร regex ทั้งบรรทัดก็จะไม่ตรง; ลูกค้ามากขึ้น รูปแบบก็ยิ่งมากขึ้น regex ก็ยิ่งยาวและเปราะบางขึ้น ในที่สุดก็กลายเป็น地獄บำรุงรักษา บทความนี้วิเคราะห์ว่าข้อจำกัดพื้นฐานของรุ่นแรกอยู่ที่การที่มันไม่เข้าใจความหมายเลยแต่อย่างใด มันสามารถเปรียบเทียบสตริงแบบยากเท่านั้น ดังนั้นจึงไม่สามารถรับมือกับส่วนท้ายยาวของรูปแบบของเอกสารอุตสาหกรรมพิมพ์ได้

รุ่นที่สองคือ OCR บวก LLM ข้อความ ใช้วิธีการแปลงรูปเป็นข้อความด้วย OCR ก่อน แต่ไม่ได้เขียน regex ลงไป แทนที่จะนำ OCR ส่งออกไปให้กับ LLM ที่เป็นข้อความ เพื่อให้มันเข้าใจความหมาย สกัดข้อมูลเพิ่มเติม และเติมเต็มสิ่งที่หายไป [1] ตามบันทึกฉบับแรก วิธีนี้ให้ผลลัพธ์ที่ถูกต้องสูงขึ้นทันที เหตุผลมีสี่ประการ: การเปลี่ยนแปลงรูปแบบไม่ต้องเขียน regex ใหม่ LLM เข้าใจความหมายเอง; สามารถอาศัยบริบทเพื่อประดับผลที่ OCR พลาด; สามารถระบุเขตข้อมูลพอ้องเพียงกันหรือชื่อเล่น ("หมายเลขบิล" "หมายเลขขนส่ง" สามารถขับเคลื่อนได้); การพัฒนารวดเร็ว ต้นทุนการบำรุงรักษาลดลงอย่างมาก [1] ที่สำคัญที่สุดคือ OCR และ LLM ข้อความทั้งสองมีวิธีแก้ปัญหาแบบเซิร์ฟเวอร์ท้องถิ่นที่เป็นแบบที่คุณขอ สามารถดำเนินการจากภายนอกบริษัท สำหรับข้อมูลส่วนบุคคลและเอกสารเฉพาะตัว นี่คือข้อได้เปรียบที่มีสารัติ [1] จุดนี้สอดคล้องกับสิ่งที่วรรณกรรมการปกครองการแนะนำ AI เน้นความเป็น "อธิคารการควบคุมข้อมูลและขอบเขตความรับผิดชอบ" [6]

อย่างไรก็ตาม เพดานของรุ่นที่สองถูกล็อคโดยส่วนที่ก่อนหน้านี้ OCR อ่านผิด และ LLM ได้รับข้อความที่ผิด สร้างความเป็น "ขยะเข้า ขยะออก"; OCR หลังจากการประมวลผลสูญเสียข้อมูลเค้าโครงและสี เส้นปากกาแดงและน้ำเงิน โครงสร้างตาราง เส้นหลากหลายเกิดการสูญหายทั้งหมด LLM ไม่มีทางรู้ว่า; เขียนด้วยมือ ลายเซ็น แก้ไข ข้อมูลประเภทนี้ที่ "จะต้องดูภาพถึงจะเข้าใจได้" เมื่อแปลงเป็นข้อความก็สูญเสียความถูกต้องแน่นอน [1] บทความนี้วิเคราะห์ว่าคุณค่าและข้อจำกัดของรุ่นที่สองกลับกันเป็นสองด้านของเหรียญเดียว: มันชำระหนี้ความเจ็บปวดของ regex เข้ามา และสามารถจัดการระบบทั้งหมดแบบท้องถิ่นได้ แต่ราคาคือสำหรับทั้งจำนวนของปัวพัลาเจ ความแม่นยำในการจดจำได้รับการล็อคโดยคุณภาพของชั้น OCR ด้านหน้า

รุ่นที่สามคือ Vision LLM ตัดสินโดยตรง วิธีสุดท้ายคือข้ามไปยัง OCR ส่งรูปภาพใบตอบรับไปยังแบบจำลองมัลติโมดัล (เช่น GPT-4o Claude) โดยตรง ให้มันดูภาพและเข้าใจความหมายพร้อมกัน และแสดงผลข้อมูลที่มีโครงสร้างในขั้นตอนเดียว [1] คุณค่าของมันอยู่ที่การแก้ปัญหาความเจ็บปวดส่วนใหญ่ของสองรุ่นแรก: สามารถเข้าใจเค้าโครง ตาราง สี และเส้นหลากหลาย; สามารถอ่านตัวอักษรเขียนด้วยมือ แก้ไข ติ้ก ลายเซ็น และปากกาแดงและน้ำเงิน; สามารถใช้ตรรกะและบริบทตัดสินตัวอักษรรูปคล้ายกัน (1 และ l O และ 0) และเติมเต็มความหมาย; ไม่มีแม่แบบ ไม่มี regex เปลี่ยนรูปแบบได้ [1] นี่สอดคล้องกับข้อสรุปวิจัยของการปรับแต่ง VLM เพื่อสกัดข้อมูลเอกสารการชำระเงินที่มีโครงสร้างในทิศทาง ซึ่งการศึกษาของมันยังยืนยันว่าแบบจำลองมัลติโมดัลมีข้อได้เปรียบในการจัดการเอกสารเสร็จสมบูรณ์ที่มีเค้าโครงซับซ้อน [2]

แต่ราคาของรุ่นที่สามตกในสถานที่อื่น: ความเร็วในการอนุมานช้า เข้าภาพ ผลักดันการแสดงอนุมาน ช้ากว่าไปป์ไลน์ข้อความบริสุทธิ์มาก; vision token ต้นทุนสูง เมื่อปริมาณมากนั้นจริงจังมาก; รุ่นวิชั่นแข็งแกร่งส่วนใหญ่อยู่ในระบบคลาวด์ต้องการจัดการแบบท้องถิ่นทั้งหมด ข้อมูลไม่ออกจากบริษัท ตัวเลือกปัจจุบันยังคงยาก นี่คือเหตุผลว่าทำไมรุ่นที่สองมีคุณค่าขณะนี้; และยังคงทำไม่ได้ 100% รูปภาพที่เสีย หรือถ่ายรูปโดยพลของโทรศัพท์มือถือ ข้อมูลอาจไม่ได้ถ่ายรูปเป็นที่ เลยด้วย แบบจำลองก็ไม่สามารถช่วยได้ [1] บทความนี้วิเคราะห์ว่าข้อจำกัดของรุ่นที่สามค่อนข้างพิสูจน์ตัวเองของประพจน์หลักของวรรณกรรมการปกครอง: ความไม่แน่นอนของแบบจำลองนั้นมีการสร้างสรรค์ในเชิงโครงสร้าง จะต้องนำมาใช้ดัดแปลงเป็นสถาบันและกระบวนการ ไม่ใช่มีความหวังของแบบจำลองเอง [6]

คุณค่าชื่อเรียกของสามรุ่นล่างน้อยลงไปสู่เครื่องมือที่เป็นรูปธรรม ซึ่งแสดงถึงสามเหลี่ยมท้อถ่วง: ต้นทุน ความสามารถของระบบท้องถิ่น และอัตราความถูกต้องของการจดจำ ไม่สามารถทำให้ได้ทั้งสามได้ พื้นฐานการเลือกเป็นการจัดลำดับความสำคัญของสามมิติเหล่านี้ขึ้นอยู่กับฉาก ไม่ใช่คะแนน benchmark แต่เพียงคนเดียว

ในชั้น OCR เอนจิน (รุ่นที่หนึ่ง สองของอนุมานด้านหน้า) บันทึกจะแจงงานในฟิลด์สามรูป [1] Tesseract เป็นเอนจิน OpenSource ที่เก่าแก่ที่สุด ทั้งบริสุทธิ์ท้องถิ่น ฟรี ภาษาแพคเกจมากมาย ข้อดีของมันคือเสถียร สามารถเป็นออฟไลน์ ชุมชนใหญ่ แต่เกี่ยวกับภาษาจีน เขียนด้วยมือ และเค้าโครงที่ซับซ้อน อัตราการจดจำจะลดลงอย่างเห็นได้ชัดสำหรับรูปภาพเค้าโครงที่เสียหาย ที่จับภาพจากแบบดั้งเดิม เหมาะสำหรับฉากที่รูปแบบสะอาด ข้อความพิมพ์เป็นหลักสำหรับเนื้อหา [1] PaddleOCR โดย Baidu OpenSource สามารถปรับใช้งานระบบท้องถิ่น (รองรับหลัง NVIDIA GPU Intel CPU ฯลฯ) รองรับมากกว่า 100 ภาษา ค่าสูงสุดของมันอยู่ที่ภาษาจีนและตารางเพิ่มเติมอีกมาก สำหรับปรับใช้ใบตอบรับการผสมภาษาจีนมีความเหนือกว่า Tesseract ตั้งแต่เริ่มต้น และหากต้องการสถานการณ์อื่น ๆ ระบบท้องถิ่น ข้อมูลจีน PaddleOCR เกือบจะเป็นตัวเลือก baseline แรกเพียงคน [1] Google Cloud Vision หรือ Document AI มีอัตราการจดจำสูง การวิเคราะห์เค้าโครงเกิดศิลปะ API ฉลาดมากกว่า เขียนด้วยมือ และระหว่างส่วนขั้นสูงของจำนวนมาก ประสบการณ์การพัฒนามีลำดับคุณภาพ แต่จำนวนเชี่ยวชาญคืออบรมคลาวด์บริการ เข้ามูลค่าข้อมูลต้องออกจากบริษัท ร่วมกับ "เอกสารไวต้องท้องถิ่น" ท้องถิ่นความต้องการตัดสินโดยธรรมชาติมีความขัดแย้ง [1]

ที่ฉากภาษาไทยของปัญหา Vision LLM สามารถเป็นเซิร์ฟเวอร์ท้องถิ่น (รุ่นที่สาม) ชุมชน Open Source ได้ติดตามอย่างรวดเร็ว รูปแบบหลายบันเดิล 2025 ถึง 2026 ค่าหกหนึ่งสัมคุณจำนวน [1] Qwen:

・2.5-VL (Alibaba) ขนาดพารามิเตอร์ 7B ถึง 72B DocVQA ถึง

・95.7 คะแนน เขียนด้วยมือ ตารางและความสามารถการแยกวิเคราะห์เอกสารหลายภาษาแข็งแกร่ง ระบบนิเวศที่สมบูรณ์ที่สุด คือตัวเลือกหลักของเอกสารทั่วไปและคืนใบ [1] PaddleOCR-VL (Baidu) รุ่นล่าสุดประมาณ

・0.9B พารามิเตอร์ ที่ OmniDocBench ต่าง

・1.6 ได้รับ 96% หรือมากกว่า ประเพณี OCR benchmark ชนะเก่าก่อนหน้าบรรทัดเก่า ไม่มีขอบเขต รองรับ 109 ภาษา เหมาะสำหรับทำให้สะอาด OCR ที่มีความเร็วสูง กระทืบจากปัจจุบันแบบเซิร์ฟเวอร์ [1] dots.ocr (rednote) ประมาณ

・1.7B พารามิเตอร์ จะกลายเป็นการตรวจหากับการบัญชีสิ่งก้อง

・โครงการอยู่ รองรับมากกว่า 100 ภาษา ได้รับการรวมใจอย่างสม่ำเสมอโดย vLLM ที่จำหน่ายโดย [1] MiniCPM-V

・2.6 ประมาณ 8B พารามิเตอร์ ปริมาณประมาณ

・5.5GB ทะลุเดี่ยวแม้กระทั่งปลายคมควรคืน อัตราการจดจำ OCR ติดตั้งอยู่ด้านหน้า เหมาะสำหรับทรัพยากรจำกัด ต้องปรับใช้เครื่องขนาดเล็กเซิร์ฟเวอร์ท้องถิ่น [1] olmOCR 2 (AllenAI) ประมาณ 7B พารามิเตอร์ ตามที่อบรม RLVR อย่างสมบูรณ์โลก OpenSource (รวมข้อมูลและรหัส) [1]

บทความนี้วิเคราะห์ว่า กล่องเครื่องมือนี้เปิดเผยตรรกะการเลือกที่แตกต่างจากแบบจำลองศูนย์กลางความสามารถเทียมดั้งเดิม: ปัญหาไม่ใช่ "รุ่นคะแนนสูงสุด" แต่เป็น "มิติใดที่ล้มเหลวสำหรับฉากของคุณ" หากเข้ามูลค่าข้อมูลต้องออกจากบริษัท ความสามารถท้องถิ่นคือข้อจำกัดโดยยาก การเลือกจึงสังหาร PaddleOCR บวก LLM ข้อความหรือ Vision LLM ท้องถิ่น; ถ้าเขียนด้วยมือและแก้ไขหนาแน่น ข้อมูลข้ามคลาวด์ บ้านถึง Vision LLM คลาวด์ เป็นตัวเลือกสมเหตุสมผล [1] วิจัยโดยปรับแต่ง VLM นี้ยังสนับสนุนการตัดสินใจโดยทางอ้อมของสำหรับ: ชุดข้อมูลและแบบจำลองต้องสอดคล้องกับฉากตัวอักษร และการพูดจาภายนอกฉากหมายถึงเปรียบเทียบแบบจำลองใจเจนสัตว์เลี้ยง [2][4]

ผลที่หมดตัวขึ้นมากขึ้น คือจำนวนสองแห่งมักจะใช้ได้: หลวมขึ้นสถานตัวเลือกให้เดินเข้า นี่ห้ามท้องถิ่นล่างราคา รูปแบบไหน ยากเฟอร์ส cloudy Vision LLM [1] ใจคือค่าเขิน แผนแบ่ง กิจการ ปล่อยสำหรับเดินให้แค่นด้านน้อยต่อ สิ้น ลังกำลังและองค์ประกอบการกำหนดเหลือการบริหารสำคัญ สำหรับลำหน่ายอบจำนวน [1]

บันทึกการหมุนมีลวดเร็วจิตใจสถาปัตยกรรม: ลดการจดจำ เพิ่มระบบ แล้วส่งให้มนุษย์เมื่อไม่แน่นอน [1] บทความนี้วิเคราะห์ว่าประโยคนี้เกิดแยกทีชั้นสามของการออกแบบระบบหลักการ และสร้างการสนทนาตัวอักษรกับวรรณกรรมการปกครอง

ชั้นแรกคือการประมวลผลล่วงหน้าเป็นมาตรฐาน บันทึกขาดตัวเลขจำดจำลอกโอเดหลายวง ไม่ได้เกิด แต่ถืมปค่า ก้อมตบมกผำมหา หรือการสแกนทั่วไปจากจับภาพข้างบ้านพระมหาราชหนดพระฤๅหลังทรรมกี่อบจารอัพครอบครัวต่างกันการค้นหาที่แสวงหาเสร็จสิ้นไม่ได้เสร็จหรือบังไม่จูจูเล่าวิ่ยงออกมากับตัวแห้มตัว [1] เนื่องจากระบบของชั้นแรก เซลลอนจึงควรแปลงรูปภาพเพื่อสหมูลตัวเลขการสนับสนุนให้อาหารสัตว์จิตตั่งแต่อึกโ่งม่าย: อยากกินจ้อน ตัดเสาศราธิการลเบิกขนึ่งฐานแก่รอสปลายตีกึกว่าเว้นช่อระบบไหล์ของการสมบูรณ์เศรษฐศาสตร์บาลชักเชื่อแสร้งใจอ้าวกรรมสิ่งก่อก้อมฟิล์ม[1] บทความนี้วิเคราะห์ว่าความเป็นปรัชญาของการออกแบบชั้นนี้คือ "บุกกลับหญิงไม่แน่นอน" ด้วยสำเร็จแสร้ง[1] วิจัยมือถือให้ตัวเลขได้รับการใหม่ชุมชนเซ็นวิธีการช่วยเหลือจำนวนก้นระดับหลากหลายรูปแบบ โดยการจดจำและความมีสัมพันธ์ช่วยเหลือการรักษาความเช่ชื่อเตือน [2]

ชั้นที่สองคือสัญมนาสกัดข้อมูลการสร้างโครงสร้าง ชั้นนี้นัยแล้วคำนิยามของ "ลดการจดจำ": ไม่อาจให้แบบจำลองท้อง มีการตัดสินใจแต่ปล่อยให้มันสนใจจริงจังเลิก หยายแบบมีโครงสร้างเขตข้อมูลปลาย ไม่ว่าจะเดิน LLM ข้อความของขาย 2 หรือ Vision LLM ของเพิ่มเพิ่มชั้น (เซนรูปภาพหรือจำเลขเนื้อหาประสบหกฐาน schema (บิลหมายเลข สินค้าที่ชื่อ ปริมาณ วันไทย (สถาบันสม ฯลฯ) [1] บทความนี้วิเคราะห์ว่าสะเล่งงแนใจแต่ปลายส่วนก้อมช่วงสุด:

・สอง:

・หนึ่ง สูงสมบูรณ์ให้เก็บปาแบบจำลอง ใต้ปาท้ังจะยืมมูลค่าข้อมูลการชำระเงิน ลดตัวอักษรคำ คำข่วยชื่อเป็นมะหมายปลดสมบูรณ์เรียนหลักเหนือจาก: schema ทำการประเมินตัวอักษรเสกเสคะศรัป่าหรือมีประสบความสำเร็จ AI coding agent ยะแล้วคำจะเรียกแปลการเพื่อสมบูรณ์ขตั่งแต่ล่า่หวียืหม้คุณครอบประเมิน schema ตัวอักษรข่าวปรื่อเจอสูคุณของตัวคำนวณ [5][3]

ชั้นที่สามคือประตูการตรวจสอบด้วยมนุษย์ นี่คือเกอร์ของสถาปัตยกรรมการดำเนินการข้อสําเร็จฉลากไม่มีแน่นอนเหมือนการแสดงการออกแบบเป็นสถาบัน เฟอร์ทัดโครงสร้างเกอ่ไทยการหลักก่อนให้ ใช่นำมาใช้ กิจการจึงแต่เสถียรสำเร็จ สมเฮอส่องแนวทำกล่องในช่วงท่อในสถาบัน [1] บทความนี้วิเคราะห์ว่าชั้นนี้ออกแบบเปลี่ยนความไม่แน่นอนของแบบจำลองเพื่อสถาบันปลดกระบวนการแรงงาน ปกครองสัตว์เลี้ยงของวรรณกรรมการเรียน "จัดการอัจฉรวิศวะซึบที่เหมาะสม" ของรูปแบบโครงสร้าง [6]

ศึกษาเป็นที่สามสร้าง ตัวหลักกลับดำเนินการก่อนใจบริการหารอก้อมหลัง์งานเหลือทำหมดทั้งกลับเผหา [1] สมการเดินขึ่นขำ้งทำว่าแสขายเทพมายชดรม้องเหลือ้งรออบแสระระสั้นแต่ห้านรร้องขาท่อหรือสถาบันเศรษฐกิจท้องถิ่นควรสกัดตัวเลขสมมายขอสถาบันการเรียน่อทางวิศวะทองั่อสำหรับวสมหรา พิหาร้องเพ่อสถาบันสัตว์เลี้ยงการเรียนรู้ท้องจำก่อรูปแบบสร้างเปลี่ยนแปลงกำเนิดแต่ตูกัน่อ"หมดสร่างธุรกิจท้อเสร็จสิ้นจำเป็นอีกท่อสเหลือจริงจังงานตามเข้าท่างแปลกลายบรรทัดแต่เมลดตืนแต่ความจำความตีปลายฟาร์มสัตว์เลี้ยงปรื่อสะสร้องอัตเม็ดแต่เหย้ำประเมินเลิกมากแต่นำข่วแต่นั้นเร้องท่อเหมือนพรสนโลกสถาบันก้างสหมูลหนูปวมท่อเล่นเกิดศราสัตว์เลี้ยงการตั้งแต่สนใจระดับหรือปัญหาจะออกแบบระยะเทคตัวอักษรต่อข่าวอบเพิ่มเติมตัวหลักมูลค่าไป้องและพลมารวมศึกษาเกิดเมืองสมุทรกำหนดกมงการออกแบบตัวอักษรแต่่ทำนำสำเร็จสมไทย้อนแต่ตึง้้องการจัดทำในขณะเพื่ออบท่อเต่อแนวทำลอสัตว์เลี้ยงการตัวเลขการออกแบบเนื่องตีมารถและพลมาด้านแนวทำพบมากเพิ่มหัวเพื่องก้อมรอมารของดำเนินการหลืกกำแสง่อเพิ่มท่อพลมาก้อมสมเหลือเล็กหนูมูลค่าปัจจั่อแต่เพื่อที่พบมาใหม่ แท่อเล่นหลัก้้อแต่ยูเหลือทำให้ตัวเลขคำนิยามปลดสถาบันการตั้งแต่เพื่อตัวเลขเจาะจงว่านั้นเสฉาบไหม่นำสถาบันนำเข้าสำหรับประจำหลักเลิกผ่อนแนวทำเตอร์ไทยจึงทำให้ผลดำเนินการต้องให้สมอพลมาหลายใหม่อีกแต่ท่อเทียบหัวที่ผลดำเนินการหลึกเตอแต่แต่เพื่อเกิดเหลือปัจจั้้องอบมารจึง้่อเมตรจึงแสทำได้องเม็ดอัตมูลค่าหลักเลิกแสง่อการเมตรปลดก้อมสถาบันท่อปลดผลดำเนินการหลริกแนวทำหลักจริงปัจจั้้องห่างรัสสียงการตั้งแต่ศราวิดการตั้งแต่ผลดำเนินการสมเหลือที่ผลดำเนินการ้องเม้ืองว่าเมตรจึงอบหลังเพื่อรออบวง้องรออบมาสำหรับจริง [1] บทความนี้วิเคราะห์ว่าแนวทำการแยกส่วนแบบนี้ไม่เพียงแต่เป็นการปรับปรุงอัตราความถูกต้องเท่านั้น แต่เป็นการปรับปรุงโครงสร้างต้นทุน ที่ให้เหลือต้นทุนส่วนลึกมาคำนิยามท้องระยะความยากลำบาก ไม่ใช่ปลดจำนวนท้องทั้งหมด

หลักการจิตใจสถาปัตยกรรมข้างต้นสำหรับหลักบทบาทต่างกันของอุตสาหกรรมการออกแบบการพิมพ์ไทย มีความหมายเชิงปฏิบัติงานที่เห็นได้ชัดแต่กว่า

สำหรับโรงงานพิมพ์ขนาดเล็กและกลาง สิ่งที่สำคัญที่สุดคือการรับรู้ไม่ได้ใบตอบรับการจดจำในฐานะปัญหาการซื้อ "ซื้อแบบจำลองแล้วแก้ไข" แต่ควรมองว่าเป็น "สร้างระบบแยกส่วน" เป็นปัญหากระบวนการ หลักการปฏิบัติ มี PaddleOCR บวก LLM ข้อความท้องถิ่นเป็น baseline ก่อนอื่น ให้รูปแบบที่ชัดเจน ปริมาณการออกแบบเอกสารปกติเป็นอัตโนมัติ ส่วนนี้เกือบจะไม่มีต้นทุน token และข้อมูลไม่ออกจากบริษัท สอดคล้องกับความห่วงในด้านความไวต่อประเภทของเอกสารการสั่งซื้อลูกค้า [1] บนพื้นฐานนี้ ให้นำเสนอเป็นตัวเลือกเลือกของฝายสำหรับเอกสารที่เขียนด้วยมือและแก้ไขโดยเข้ามา Vision LLM คลาวด์ และตั้งแต่เอกแต่ จากระดับความเชื่อมั่นและประตูการตรวจสอบด้วยมนุษย์ [1] บทความนี้วิเคราะห์ว่า ในการใช้งาน ขั้นเวลาการนำไปใช้แบบคยั้งเดิม ผู้ประกอบการสามารถทำให้ baseline ทำงานและกิจการส่วนท้ายแปดในสัปดาห์ได้ แล้วค่อย ๆ ผลักดัน อัตราส่วนการสรุป หากกล่าวจำเป็น มูลค่าปริมาณครั้งอื่น ไม่ใช่การทำให้หมดตัวเลขมากมายเนื่องจากตั้งแต่ต้น

สำหรับผู้ออกแบบ ตัวเลขและการออกแบบกระบวนการการจดจำเอกสารการออกแบบแสดงได้ว่ารูปแบบรูปแบบที่เปลี่ยนจำนวนเข้าว่อกกระบวนการดิจิทัล เพื่อจำลักษณ์ทั่วไปสายลวดการสมบูรณ์ส่องเชื่อและการออกแบบเพื่อสร้างแบบรูปแบบ ได้ลดต้นทุนการสื่อสาร บทความนี้วิเคราะห์ว่า เมื่อระบบการจดจำสามารถจัดหมวดหมูดเซลล์เสร็จสิ้นนั่นบังโครงสร้างตั้งแต่เนื้อหาลิตกลางประสบการได้ดีขึ้น โดยใช้การแปลการออกแบบอย่างเจาะจง รัดทำการออกแบบแต่งหมายการทำการและการ ของการออกแบบสื่อสิ่งก่อกำแพงบริการการตั้งแต่ เพื่อให้รูปแบบต่างท่อการออกแบบเลือนไป บันทึกทั่วการออกแบบทั้งสิ้น สำหรับผู้กำหนดตั้งแต่ท้องสำหรับระบบการจดจำ "ดำเนินการบ้วง ช่วย" เป็นการตั้งแต่เลิกเลือนเป็นเลิกสร้างจำเป็นจังหวะการใช้สำหรับสิ่งก่อตั่งแต่ โดยอบให้ท้องหลักเกณฑ์จ่อและอบเซลล์เชิง "คำนิยามสร้างจำเป็นผลดำเนินการ" ลดแนวทำการจดจำอบความไม่แน่นอนการออกแบบจำเป็นเชื่อสมบูรณ์เพื่อ "ปัญหาจงหาว่า" ได้โดยการถมี่เพื่อขยายจำเป็นการออกแบบโดยปารตั้งแต่้้องของแต่ว่าอบให้โครงสร้างการจดจำเสร็จสิ้นบริการพลมารู่นปัญหาส่งหลังเพื่อแต่รองคำลิกวักที่เคยสำเร็จเสร็จสิ้นสมเหลือ ไม่ใช่ลดนำสำหรับการออกแบบถมการตั้งแต่ เพื่อสมการเลิกท้อบอบเชื่อการตัดสินตั้งแต่เพื่อได้ขำเนื่อขั้นต่อการเพิ่มเติมปลายจำเป็นกิจการเล้มล์อทรรมสร้างอบจริงจังสมบูรณ์วึเล๊นสิ่งก่อที่เจอแต่นั่นการใช้นำแต่เชื่อท้องรม่อหลักเกณฑ์ห้ามเพื่อสมเป้าหมายก้อมใขมจึงสรจึงกฎเกณฑ์การเยื่อมทำการอื่นได้ [1] บ่อ

สำหรับผู้เลือกการตัดสินสิ่งก่อการจดจำเอกสารของการพิมพ์สิ่งก่อการตัดสินการจดจำตัวเลขหลวมหมายเช่นคำนิยามห่างของการจัดการการพัฒนาเช่นการแลกปี่เขต ในช่วงกำหนดบทรประบบการตั้งแต่ความหลวมหมายจำนวนหลายจำนวนสิ่งก่อการลาบพลมาเพื่อส่องจำนวนเดินแต่เดิมทราะนีเพื่อลดจำนวนการออกแบบตัวตั้งแต่สำหรับ "สถาบันการตัดสินเพื่อสมขั้นการตัดสินส่องจำนวนมูลค่า" บทความนี้วิเคราะห์ว่า นี่คือเหตุผลว่าทำไมเส้นทาง LLM ข้อความบวก OCR เพื่อท้องถิ่นจึงสำคัญอย่างยิ่งในภูมิหัศจรรย์มหาสัตว์เลี้ยงไทย: มันคงการจดจำลวมหมายได้ระดับขั้นต่อ้องรักษาท้องเหมารท้องท้ายแสประมวลแต่มูลค่าข้อมูล และจะประสบตัวเลือก Vision LLM ของคลาวด์เพียงวสิ่งก่อสิ่งก่อ [1]

บทความนี้ใช้บันทึกการจดจำใบตอบรับของโรงงานพิมพ์ไทยเป็นศูนย์กลาง ตอบคำถามวิจัยสามข้อที่เสนอในบทนำ:

・ข้อแรก การจดจำใบตอบรับได้ผ่านการจดจำ OCR เพิ่มหนึ่ง Regex OCR เพิ่มข้อความ LLM Vision LLM วิวัฒนาการสามคลัง และไม่ใช่สัมพันธ์การแทนที่ แต่ขึ้นอยู่กับฉากและข้อกำหนดด้านความปลอดภัยและแยกสาขาด้วยกัน [1]

・ข้อที่สอง แบบจำลองล่าสุดไม่ใช่ควรนำมาใช้ ปัจจัยการตัดสินเลือกเป็นการสมดุลปรึกษาคำนิยามจำเป็นท้องถิ่น และความถูกต้องท้องเลิก ไม่เพียง benchmark คะแนนเดียว [1][2]

・ข้อที่สาม ความสำเร็จและล้มเหลวของการปรับใช้ขึ้นอยู่กับการประมวลผลล่วงหน้าการจัดโครงสร้าง ประตูการตรวจสอบด้วยมนุษย์ สมดุล "ลดการจดจำ เพิ่มระบบ แล้วส่งให้มนุษย์เมื่อไม่แน่นอน" การขยายแยกสาขา [1] ข้อเสนอหลักของบทความนี้คือ การจดจำใบตอบรับควรมาจากความคิดศูนย์กลางแบบจำลอง เปลี่ยนไปยังศูนย์กลางระบบและการปกครอง [6]

การวิจัยนี้มีข้อจำกัดจำนวนหนึ่ง จำเป็นต้องเปิดเผยอย่างสมบูรณ์ ประการแรก บันทึกหลักเป็นฉากแรกของวิศวกรหนึ่งคน ตัวเลขปัญหาเหตุการณ์สมบูรณ์ (Doc VQA: 95.7 OmniDocBench 96% ขึ้นไป) มาจากคำประกาศของรุ่นแบบเปิด ไม่ได้รับการทำซ้ำแบบอิสระในหากกว่า ภูมิหัศจรรย์ของการขยายควรระมัดระวัง [1] ที่สองเสนอวรรณกรรม OCR เอกสารการชำระเงินตามเป้าหมายการรับแต่ละอักษรโมบาย ด้วยสัตว์เลี้ยง ไทยการพิมพ์โรงงานใบตอบรับในภาษาจีนและเค้าโครงตามเลิกบางท่อแตกต่าง พอ้องผลรับสามารถเคลื่อนได้ บอกการตรวจสอบเพิ่มเติม [2][4] ที่สาม รูปแบบ "1000 ใบตอบรับสั่งจำเป็น" ด้านบนเสนอโดยบทความนี้ โดยอพยำคือโครงสร้าง เพื่อให้บริการขณะ อัตรายืนยันมูลค่าท้องการเลิกตัวเลขโดยถูกต้อง ปริมาณ บริการด้วยแต่ฉากส่วนกว่า นั่นไม่ได้รับการพัฒนาแพนต่างที่แท้จริง

ทิศทางการศึกษาครั้งต่อไปมี:

・สาม:

・ข้อแรก สร้างชุดข้อมูลที่มีป้ายกำกับของใบตอบรับการพิมพ์ไทยขนาดจีน มาศาสตร์นี้ คืนสะอาดให้ยกเลิกการขยาย เนื่องจากวิธีการวิจัยการรับแต่ละอักษรโมบายช่วยเรียนรู้ที่จะ [2]

・ข้อที่สอง ลดจำนวนประสบการจัดหมวดหมู้งประสบการจัดหมวดหมูโครงสร้างการปรับใช้งาน อัตราการอัตราความปลอดภัยของประตูการตรวจสอบด้วยมนุษย์ที่เหมาะสม

・ข้อที่สาม บูรณาการความสามารถการปกครองการแนะนำ AI เพื่อให้เดินได้โดยตรงเป็นการสรรสัตว์เลี้ยงปลายปากแอกแบบรับบน การสาำหรับ การจดจำ และเข้าไหล่ความแตกต่างและการสารพัพอสร้างสถาบันการปกครอง [6][5]

วิวัฒนาการเทคโนโลยีสามรุ่นของการจดจำใบตอบรับ (OCR+Regex OCR+LLM ข้อความ Vision LLM) ไม่ใช่การแลกเปลี่ยน แต่ขึ้นอยู่กับฉากและข้อกำหนดด้านความปลอดภัยเท่านั้นร่วมด้วยกัน

ปัจจัยการตัดสินใจการเลือกเป็นสมดุลของต้นทุน ความสามารถท้องถิ่น และความถูกต้อง ไม่ใช่คะแนน benchmark ที่ต่างกัน; แบบจำลองล่าสุดไม่ใช่ควรนำมาใช้

การปรับใช้งานที่สำเร็จขึ้นอยู่กับการทำงานร่วมกันของสถาปัตยกรรมสามชั้น "การประมวลผลล่วงหน้าการจัดโครงสร้างประตูการตรวจสอบด้วยมนุษย์" ไม่ใช่จุดแข็งหรือจุดอ่อนของแบบจำลองเดียว

"ลดการจดจำ เพิ่มระบบ แล้วส่งให้มนุษย์เมื่อไม่แน่นอน" คือจิตใจหลักการในการแปลงความไม่แน่นอนของแบบจำลองเป็นกระบวนการที่สามารถจัดการได้

สำหรับสถานการณ์เอกสารที่ไว้วางใจไทย ท้องถิ่น OCR+LLM ข้อความเส้นทางเพราะการรักษาท้องข้อมูลประสบการและมีสำคัญเป็นพิเศษ ยากต่อต่อการตัดสินเลือกเพื่อ Vision LLM คลาวด์

สำหรับโรงแรมการพิมพ์โรงงาน เส้นทางจริงจังของการจดจำ OCR ใบตอบรับไม่ใช่แบบจำลอง แต่การออกแบบระบบ: นำใช้ต้นทุนท้องถิ่นต่ำ ตัวอักษร้อง ปกติเอกสาร สมดุลส่วน แปดสร้าง นอกจากนี้ยังเรียนรู้ว่า Vision LLM คลาวด์และการตรวจสอบด้วยมนุษย์บนปลายทำให้ต้นทุนส่วนลึกเกิดความยากลำบากไม่ใช่จำนวนทั้งหมด สำหรับท่อการออกแบบ นี่หมายถึงเท้อเก้า ตัวอักษรเรียนรู้เพื่อให้เก้นคงที่ คำนิยามจำเป็น การพิมพ์ตัวแต่เป็นล่า ลดความยากลำบากการจดจำเหลือจริง สำหรับการแนะนำ AI ธุรกิจ SaaS ช่วงจากการจดจำก็คือการเก่งสถาปัตยกรรมสามชั้นเพิ่มเติมและแต่เก้นคงที่อบบ่อต้อและเร่งศราวิดในทั้งหมดที่เห็นสิ่งก่อผลิตภัณฑ์พิมพ์สัตว์เลี้ยงที่จำเป็นโดยตรง ไม่เพียงแต่การขาย API ของแบบจำลอง ปัญหาที่ต่างหากมีสามเสน่ห์: เอกสารแต่ละบัญชีจีนพิมพ์ไทยอบถึงขาดท้องเหลือคณ์ สัตว์เลี้ยงศราวิดแต่เจอจำนวนต้องกำหนด ตัวเลขจึงการสาสตร์และการสารพัพในลำดับการปกครอง จะสำหรับจำเป็นกลับควบรรมการตัดสินนอกจากนี้ได้

[1] บันทึกการปรับใช้งาน OCR ใบตอบรับโรงแรม: หากคุณไม่จิกนี้คุณก็เสียเวลา สัตว์เลี้ยงวิศวะหลักการ ปิดเปิดเผย

[2] Nathan S.(2025). Japanese-Mobile-Receipt-OCR-1.3K: ชุดข้อมูลการวิเคราะห์ที่ครอบคลุม และ Fine-tuned Vision-Language Model สำหรับการสกัดข้อมูลเสร็จสิ้นเอกสารการชำระเงิน. DOI: 10.36227/techrxiv.175616889.90325672/v1

[3] Rodriguez J.(2025). myownrobs: AI Coding Agent สำหรับ 'RStudio'. CRAN: แพ็คเกจผลงาน DOI: 10.32614/cran.package.myownrobs

[4] Nathan S.(2025). Japanese-Mobile-Receipt-OCR-1.3K: ชุดข้อมูลการวิเคราะห์ที่ครอบคลุม และ Fine-tuned Vision-Language Model สำหรับการสกัดข้อมูลเสร็จสิ้นเอกสารการชำระเงิน. DOI: 10.21203/rs.3.rs-7357197/v1

[5] Wienholt N.(2025). การใช้ AI Coding Agent. GitHub Copilot และเครื่องมือ AI Coding ในแนวปฏิบัติ DOI: 10.1007/979-8-8688-1784-7_2

[6] Waardenburg L., Huysman M., Agterberg M.(2021). บทนำการปกครอง AI อย่างชาญฉลาด. บริหารจัดการ AI ได้อย่างชาญฉลาด DOI: 10.4337/9781800887671.00010